一种高压断路器故障诊断数据处理方法

1.一种高压断路器故障诊断数据处理方法，其特征在于，包括：S1、通过数据采集模块获取高压断路器在多种工况下的信号参数，并通过滤波器进行形态学去噪，通过震动传感器检测动触头震动曲线，第一步将其最高点数值记录进行函数复合，最低点参数记录进行函数复合，还有其中点进行函数复合，得到三个函数曲线，记录其交点位置参数，利用函数转换得到交点函数，电压参数、电力参数、形成参数均采用该数据处理方法得到检查函数；所述信号参数包括振动信号、电流信号和动触头行程曲线信号，所述数据采集模块包括加速度传感器、角度传感器和霍尔电流传感器，所述加速度传感器固定安装在高压断路器的合闸电磁铁附近、分闸电磁铁附近或操动机构横梁中的一处，所述角度传感器固定安装在高压断路器的分合闸指示针上，所述霍尔电流传感器固定安装在高压断路器的合闸线圈附近；S2、根据步骤S1中获取的交点函数，提取交点位置参数，通过交点确定特征向量，将提取的特征向量用作样本数据；S3、平衡步骤S2中不同工况下的样本数量，所述平衡不同工况下的样本数量的方式为欠采样处理或过采样处理；通过所述欠采样平衡不同工况下的样本数量的具体算法步骤为：S31：扫描原始数据集O，假设集合Omaj是多数类别样例集合，标签为-1，令Omin=O-Omaj，其中Omin为少数类别样例集合，标签为1，训练集T=Omin，令U（example，δ）表示样例example的δ邻域；S32：如果U（example，δ）中有少数类样例，然后将样例example标记为δ不可去的；如果U（example，δ）中没有少数类样例，然后将样例example标记为δ可去的；S33：然后在训练集T上调用贝叶斯分类算法，获得分类器hδ：X→{-1，1}；利用测试集，计算分类器hδ的AUCδ值；S34：计算具有最大AUCδ值的分类器所对应的邻域半径 ，基于分类器所对应的邻域半径 ，确定该欠采样方法的贝叶斯分类器的真实边界；S4、根据步骤S1中的检查函数和步骤S3中平衡后的样本数据通过机器学习算法训练出故障诊断模型。 2.根据权利要求1所述的一种高压断路器故障诊断数据处理方法，其特征在于：所述步骤S1中，所述多种工况包括正常运行状态和多种故障状态，所述多种故障状态至少包括基座螺栓松动故障状态、缓冲弹簧疲劳故障状态、传动机构故障状态和合闸弹簧疲劳故障状态。 3.根据权利要求2所述的一种高压断路器故障诊断数据处理方法，其特征在于：所述步骤S2中，所述特征向量的提取方式为：以高压断路器的合闸开始时间和合闸结束时间为分界点，将高压断路器的振动信号分为三段，分别计算每个时间段对应的信号能量熵，将每段信号的能量熵组合在一起作为特征向量。 4.根据权利要求3所述的一种高压断路器故障诊断数据处理方法，其特征在于：通过所述过采样平衡不同工况下的样本数量的具体方法为：分别将各个少数类别的样本与最多数类别的样本实施二分类过采样，合成少数类别的新样本，直到每种类别的样本数量相同。 5.根据权利要求4所述的一种高压断路器故障诊断数据处理方法，其特征在于：所述机器学习算法至少包括随机森林、K近邻法、支持向量机、核极限学习机或广义回归神经网路中的一种。